SuperNav：让多模态模型负责决策，把移动交给导航工具

导语

服务机器人真正走进家庭、酒店或公共空间，面对的通常不是固定路线，而是“找到某个物品”“依次访问几个位置”或“根据我的要求完成一组移动任务”。这类需求同时考验任务理解能力和陌生环境中的导航能力。SuperNav的核心思路，是不要让多模态大模型直接承担所有低层运动控制，而是把它放在更擅长的位置：理解人类请求、观察场景、制定决策，再调用专门的导航工具执行。

核心要点

• 保留预训练模型的通用能力。 与依赖导航数据进行专门动作微调的方法不同，SuperNav不对多模态大模型进行导航特定微调，从而降低模型行为受训练场景和任务覆盖范围限制的风险。
• 用智能体框架组织导航。 系统为模型配备导航技能、面向物理交互的工具，以及任务进度和上下文管理机制，使一次导航不只是“看图后走一步”，而是能够围绕持续任务不断更新状态。
• 统一视觉点接口连接思考与运动。 模型可以直接在图像中指定目的地，导航模块负责将这一决策转化为移动行为；执行反馈返回后，模型还能够修正原有判断。
• 覆盖多种任务形态。 论文在单目标、多目标和需求驱动导航任务上与四个基线进行了比较，并进一步开展了HM3D类别级评测和真实四足机器人部署。

为什么重要

传统导航系统往往围绕预定义目标、地图或有限指令构建。当用户请求变化、场景变得陌生，系统就可能需要重新设计或重新训练。SuperNav尝试把“通用推理”和“可靠执行”拆开：多模态模型负责开放式理解与规划，导航工具负责更具体的运动执行，二者通过视觉接口和反馈循环协作。

这种设计的价值不只是提升某一项导航指标，更在于为具身智能系统提供一种可扩展的工程路径。未来，模型可以在不改变核心能力的情况下接入新的移动、交互或感知工具。不过，素材目前没有给出完整的成功率、计算开销或失败案例，因此其在更复杂动态环境中的稳定性仍需结合论文全文和后续研究判断。

来源：Hugging Face Daily Papers